【技术实现步骤摘要】
【国外来华专利技术】
这些教导通常涉及根据基于能量的治疗计划用能量治疗患者的计划目标体积，并且更具体地，涉及优化基于能量的治疗计划。
技术介绍
1、使用能量治疗疾病包括现有技术的已知领域。例如，放射疗法包括许多用于减少或消除不需要的肿瘤的治疗计划的重要组成部分。不幸的是，施加的能量不能固有地区分不需要的材料与相邻的组织、器官等，这些组织、器官对患者的持续生存是期望的，甚至是至关重要的。因此，通常以谨慎施用的方式施加诸如放射等能量，以至少试图将能量限制于给定的目标体积。所谓的放射治疗计划经常在上述方面起作用。
2、放射治疗计划通常包括在多个连续场中的每个连续场期间各种治疗平台参数中的每个治疗平台参数的指定值。放射治疗期的治疗计划经常是通过所谓的优化过程自动生成的。如本文所使用的，“优化”将被理解为是指改进候选治疗计划，而不一定确保优化结果实际上是唯一的最佳解决方案。此种优化经常包括自动调整一个或多个物理治疗参数(经常同时观察这些方面中的一个或多个对应限制)，并在数学上计算可能的对应治疗结果(诸如给药水平)，以标识一组给定的治疗参数，该治疗参数表示期望的疗法结果和避免不期望的副作用之间的良好折衷。
3、确定所利用的多叶准直器的控制点的合理指令包括此种优化的更复杂的方面中的一个方面。该复杂性的一部分是由于这样的事实，即此类准直器的叶片可能受到各种限制和速度约束，应优选考虑到这些限制和约束。当使用新的多叶准直器时，需要全新的叶片排序算法，不同的治疗设施可能需要不同的调谐参数，和/或典型的叶片排序方法专注于再现当前所需的注量图而不考虑其
技术实现思路
1、根据本专利技术的第一方面，提供了一种如权利要求1所定义的用于促进向患者施用治疗性放射的装置。
2、根据本专利技术的第二方面，提供了一种如权利要求11所定义的用于优化放射治疗计划的方法。
3、可选特征在从属权利要求中定义。
4、提供了一种用于促进向患者施用治疗性放射的方法，该方法包括：
5、访问其中存储有以下内容的存储器：
6、-与患者对应的注量图；
7、-深度学习模型，该深度学习模型被训练以从注量图推断多叶准直器的叶序列，其中深度学习模型包括至少部分地经由强化学习方法训练的神经网络模型；
8、通过可操作地被耦合到存储器的控制电路：
9、至少部分地通过以下来迭代地优化放射治疗计划以向患者施用治疗性放射：通过采用多个智能体以各自单独地使用深度学习模型来各自仅针对多叶准直器的单个叶对生成叶序列，来根据深度学习模型和与患者对应的注量图生成叶序列。
本文档来自技高网...【技术保护点】
1.一种用于促进向患者施用治疗性放射的装置，所述装置包括：
2.根据权利要求1所述的装置，其中所述神经网络模型至少部分地经由监督学习方法来训练。
3.根据权利要求1或权利要求2所述的装置，其中所述神经网络模型是使用训练语料库来训练的，所述训练语料库包括针对多个对应场/控制点中的每个场/控制点的注量图。
4.根据任一前述权利要求所述的装置，其中所述神经网络模型包括卷积神经网络模型。
5.根据任一前述权利要求所述的装置，其中所述强化学习方法包括深度学习方法。
6.根据任一前述权利要求所述的装置，其中所述多个智能体各自彼此相同。
7.根据任一前述权利要求所述的装置，其中所述多叶准直器包括第一种叶和第二种叶，其中所述第一种叶和所述第二种叶彼此不同，并且其中所述多个智能体包括第一智能体和第二智能体，所述第一智能体针对包括所述第一种叶的叶对生成叶序列，所述第二智能体针对包括所述第二种叶的叶对生成叶序列，其中所述第一智能体和所述第二智能体彼此不同。
8.根据任一前述权利要求所述的装置，其中所述强化学习方法提供在
9.根据任一前述权利要求所述的装置，其中所述强化学习方法提供至少部分地基于创建的叶序列再现目标注量的程度来计算奖励。
10.根据任一前述权利要求所述的装置，还包括：
11.一种优化放射治疗计划的方法，所述方法包括：
12.根据权利要求11所述的方法，其中所述神经网络模型至少部分地经由监督学习方法来训练。
13.根据权利要求11或权利要求12所述的方法，其中所述神经网络模型是使用训练语料库来训练的，所述训练语料库包括针对多个对应场/控制点中的每个场/控制点的注量图。
14.根据权利要求11至13中任一项所述的方法，其中所述神经网络模型包括卷积神经网络模型。
15.根据权利要求11至14中任一项所述的方法，其中所述强化学习方法包括深度学习方法。
16.根据权利要求11至15中任一项所述的方法，其中所述多个智能体各自彼此相同。
17.根据权利要求11至16中任一项所述的方法，其中所述多叶准直器包括第一种叶和第二种叶，其中所述第一种叶和所述第二种叶彼此不同，并且其中所述多个智能体包括第一智能体和第二智能体，所述第一智能体针对包括所述第一种叶的叶对生成叶序列，所述第二智能体针对包括所述第二种叶的叶对生成叶序列，其中所述第一智能体和所述第二智能体彼此不同。
18.根据权利要求11至17中任一项所述的方法，其中所述强化学习方法提供在训练期间对智能体进行奖励。
19.根据权利要求11至18中任一项所述的方法，其中所述强化学习方法提供至少部分地基于创建的叶序列再现目标注量的程度来计算奖励。
20.根据权利要求11至19中任一项所述的方法，还包括：
...【技术特征摘要】
【国外来华专利技术】
1.一种用于促进向患者施用治疗性放射的装置，所述装置包括：
2.根据权利要求1所述的装置，其中所述神经网络模型至少部分地经由监督学习方法来训练。
3.根据权利要求1或权利要求2所述的装置，其中所述神经网络模型是使用训练语料库来训练的，所述训练语料库包括针对多个对应场/控制点中的每个场/控制点的注量图。
4.根据任一前述权利要求所述的装置，其中所述神经网络模型包括卷积神经网络模型。
5.根据任一前述权利要求所述的装置，其中所述强化学习方法包括深度学习方法。
6.根据任一前述权利要求所述的装置，其中所述多个智能体各自彼此相同。
7.根据任一前述权利要求所述的装置，其中所述多叶准直器包括第一种叶和第二种叶，其中所述第一种叶和所述第二种叶彼此不同，并且其中所述多个智能体包括第一智能体和第二智能体，所述第一智能体针对包括所述第一种叶的叶对生成叶序列，所述第二智能体针对包括所述第二种叶的叶对生成叶序列，其中所述第一智能体和所述第二智能体彼此不同。
8.根据任一前述权利要求所述的装置，其中所述强化学习方法提供在训练期间对智能体进行奖励。
9.根据任一前述权利要求所述的装置，其中所述强化学习方法提供至少部分地基于创建的叶序列再现目标注量的程度来计算奖励。
10.根据任一前述权利要求所述的装置，还包括：
11.一种优化放射治疗计划的方法，...
【专利技术属性】
技术研发人员：S·巴西里，E·屈塞拉，
申请(专利权)人：西门子医疗国际股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。